Generative Graphical Inverse Kinematics

要約

正確な逆運動学 (IK) ソリューションを迅速かつ確実に見つけることは、ロボット操作にとって依然として困難な問題です。
既存の数値ソルバーは幅広く適用可能ですが、通常は単一の解しか生成せず、非凸性の高い目的関数を最小化するために局所探索手法に依存しています。
実行可能な解セット全体を近似する最近の学習ベースのアプローチは、複数の高速で正確な IK 結果を並行して生成する手段として有望であることが示されています。
ただし、既存の学習ベースの手法には重大な欠点があります。対象となる各ロボットには、最初からトレーニングする必要がある特殊なモデルが必要です。
この重要な欠点に対処するために、グラフ ニューラル ネットワーク (GNN) の柔軟性を活用できるグラフ構造と組み合わせた新しい距離幾何ロボット表現を研究します。
このアプローチを使用して、多数の多様なソリューションを並行して生成し、一般化することもできる、最初の学習済み生成グラフィック逆運動学 (GGIK) ソルバーをトレーニングします。単一の学習済みモデルを使用して、さまざまなソリューションに対する IK ソリューションを生成できます。
さまざまなロボット。
他のいくつかの学習済み IK 手法と比較すると、GGIK はより正確なソリューションを提供します。
GGIK は、トレーニング中には見ら​​れないロボット マニピュレータにも適切に一般化することもできます。
最後に、ローカル最適化プロセスのシードとなる信頼性の高い初期化を提供することで、GGIK を使用してローカル IK ソルバーを補完できることを示します。

要約(オリジナル)

Quickly and reliably finding accurate inverse kinematics (IK) solutions remains a challenging problem for robotic manipulation. Existing numerical solvers are broadly applicable, but typically only produce a single solution and rely on local search techniques to minimize highly nonconvex objective functions. More recent learning-based approaches that approximate the entire feasible set of solutions have shown promise as a means to generate multiple fast and accurate IK results in parallel. However, existing learning-based techniques have a significant drawback: each robot of interest requires a specialized model that must be trained from scratch. To address this key shortcoming, we investigate a novel distance-geometric robot representation coupled with a graph structure that allows us to leverage the flexibility of graph neural networks (GNNs). We use this approach to train the first learned generative graphical inverse kinematics (GGIK) solver that is able to produce a large number of diverse solutions in parallel and to also generalize: a single learned model can be used to produce IK solutions for a variety of different robots. When compared to several other learned IK methods, GGIK provides more accurate solutions. GGIK is also able to generalize reasonably well to robot manipulators unseen during training. Finally, we show that GGIK can be used to complement local IK solvers by providing reliable initializations to seed the local optimization process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google